|
Part 2 ——人工智能系列研究之无人驾驶深度研究 一、无人驾驶汽车：轮式智能机器人，眼疾脑快是核心 二、识别技术和深度学习算法的突破使无人驾驶成为可能
三、无人驾驶技术将是人类社会一次重大的变革 四、无人驾驶的产业化路线——商用车先于乘用车、双驾双控过度到无人驾驶 五、重点上市公司分析 智能汽车作为一个机器人系统，所涉及到的机器人技术主要有感知（perception）、路径规划（planning）和控制（control）三大块内容。无人驾驶技术可抽象为“环境探测-自动决 策-控制响应”，其发展主要依赖于三方面技术的成熟：智能感知技术是前提，智能决策和控制技术是核心，高精度地图及智能交通设施等是重要支撑。 以一种易于理解的方式看待无人驾驶技术：试想一个驾驶员在驾驶过程中的作用： 1、眼看耳听大脑想：驾驶过程中，司机不断观察（1）行人、行车；（2）交通指示；并思考这些信息的含义。 2、根据所获取信息对车辆实施控制：根据所观察到的信息，根据交通规则、导航、周围行人和行车状况，决定驾驶动作。 3、适当的导航。 4、通过手和脚实现驾驶反馈。 接着，我们可以思考如何用人工智能的技术取代司机的功能： 1、智能的探测器并识别信息的含义：激光雷达（可以判断较远物体的相对距离）、毫米波雷达（能监测较近距离障碍物）、摄像头（获取交通指示牌、车道线）。 2、能够理解交通情况并作出判断的“驾驶脑”：在获取了交通状况之后，还要试图理解车辆所处的情况并作出判断。 3、导航：高精度地图。 4、通过控制器实现驾驶反馈。 通过以上的分析，自动驾驶包括 4 大模块（高精度地图、感知、定位、智能决策与控制），底层为高精度地图、中间层为感知、定位，最高层为智能决策与控制。 >>>（一）智能感知：传感器技术和模式识别技术突破瓶颈 智能识别及决策技术就想智能汽车的中枢神经，是自动驾驶技术成熟的核心及瓶颈。为实现自动驾驶，必须得先完成智能识别及决策系统的安全可靠性检测。目前，计算机系统决策已经存在成熟的模型，但模型输出结果的准确性极大程度上决定于系统参数及阈值的设定。过去，参数及阈值设定基本基于统计学结果，往往不可避免存在误差；而在大数据时代，更具广度和深度的数据统计能带来更为精确的结果，但需依靠人工智能来实现。 传感器所感知到的信息池需要通过适当的模式识别技术来映射到真实环境，从而达到感知环境的目的。模式识别的两个重要方面：光学信息识别和声学信息识别。对应到自动驾驶中，光学信息识别包括对路况、行人等做出的判断；声学信息识别在与实现车与车之间的智能沟通。例如：在驾车过程中，驾驶员通过观察前方就能轻易分辨出车道线的信息。若智能汽车需获取车道线信息，首先需要通过摄像头获取道路影像，但其本身并不具备映射到真实环境的物理含义。只有通过适当的算法从影像资料中提取能反映车道线的影像部分，并进行映射。不同的传感器由于环境感知原理的差异，识别算法上也存在着不同。 智能识别及决策技术是连接环境感知和智能控制的桥梁。基于感知识别到的分类信息，判断行驶的外部环境状况及车辆状态，进而做出行车决策，并将命令传达至汽车智能控制系统， 以实现自动驾驶动作。该技术要解决的核心问题便是完成驾驶行为的规划：不同行为之间保持相对独立；同时，行为间切换需能实现平滑过渡。智能识别及决策技术的实现方式主要为将决策算法植入集成芯片，如视觉识别技术龙头以色列企业 Mobileye 的核心技术之一就是基于感知信息分析和识别，提供算法进行行驶决策智能预判。 除了激光雷达（避障），还有有毫米波雷达（探测）、GPS（定位）、里程计（定位）、陀螺仪（定位）、视觉系统（检测、避障）、数传电台（监控）等等。就不说很多小细节的进步了，但是上述的传感器都是必须的，所以无人车的第一个难点是传感器。 1、基于 LiDAR（激光雷达测量）的感知系统。 Google 上用到的 LIDAR，LIDAR 被认为是用在无人驾驶汽车上最佳的技术，因为精度高并 且可以使汽车在地图上面准确地定位。谷歌使用的 Velodyne HDL-64E Lidar，即 Velodyne 公司 64 线激光雷达是目前世界上最先进，体积最小，单位能量密度最高，采集数据最丰富的专业激光传感器。 集成了 64 束激光发射器和 64 个激光接收器。360 度的旋转，最高 15Hz 的转动频率， 每周 4000 个点的采集频率，HDL-64E 采用创新的激光阵列技术，相比较其它导航和绘图传感器， 系统可达到 2°到-24.8°的垂直视场角。专利技术的旋转头设计，在水平 360°视场角内持续旋转。它每秒可输出高达 1.333 百万个测量点，测量范围可达 120m。 图 17：出于安全性考虑，谷歌和百度均选择了效果最佳、价格最贵的 64 线激光雷达 激光雷达能够即时构建周围 100 米左右的三维模型，相当于无人驾驶汽车的眼。图 18 里的 三维场景虽然足够密和详尽，但是汽车本身并不知道场景的表示和涵义。也就是说，它仅仅知道有物体在某个位置，但物体究竟是建筑？还是树木？还是路标？仅仅通过这个图还并不知道。 算法需要通过视觉信息检测到动态物体，包括汽车、人、自行车等。 图 18：LiDAR 实时构建的三维模型 图 19：“驾驶脑”计算机对三维模型进行建模分析 2、基于相机/雷达的感知系统。 Mobileye 作为全球计算机视觉技术和 ADAS 系统开发的龙头，代表着智能感知识别领域的技术前沿。其产品能实现诸如前碰撞预警（FCW）、行人探测与防撞预警（PCW）、车道保持及危险预警（HMW）等功能。同时，公司主张的单目摄像头-单芯片的感知识别模式，具有低成本和易集成等优势；但在远距离测距和横向视野方面存在不足。其在视觉算法市场中的占有率接近垄断地位，超过 90%。 2016CES 上， 通用汽车公司宣布其将与智能行车技术公司 Mobileye 合作，使用众包方式，建立高精度的持续更新地图。在一个比人类视角更广、精度更高的情境下，自动驾驶也将会更安全。大众汽车将与图像自动化处理领域的技术引领者——Mobileye 建立战略合作关系。为此， 双方在 CES 上签署了一份意向书，合资公司的研发重点是基于摄像头的实时图像处理技术。同时，该技术以及高精度数字化地图是实现自动驾驶的关键所在。 图 20：Mobileye 摄像头的功能示例 3、毫米波雷达：测距 毫米波它波长是 10 毫米到 1 毫米，频段 30-300GHz，毫米波穿透力非常强，这种媒介它用在车辆上做传感器非常适合，主要的应用场景就是测量距离，探测无人车周边的环境。尤其车载传感器对于全天候适应性的要求的时候，毫米波频段是比较适合的。这也是为什么在车载传感器里面，除了视频、红外以及激光之外，毫米波雷达在自动驾驶和无人驾驶里面是必不可少的传感器，这个是一个非常主要的原因。 >>>>（二）驾驶脑：深度学习算法让“驾驶脑”成为信得过的“老司机” 深度学习云平台让每一个新上路的“新驾驶脑”都像“老司机”那样，拥有丰富的驾驶经验。谷歌现在约拥有 50 量无人车，累计行驶里程已经超过 160 万公里，每一量无人车行驶过 程中遇到各式各样的交通情景和突发状况将产生大量的数据，这些大数据被传回云平台用作深度学习的训练样本，经过大量样本训练学习的“驾驶脑”，不仅仅获得了自身行驶的驾驶经验， 同时也获得了其他车辆的“学习、训练成果”，随着样本训练的不断增加，“驾驶脑”的驾驶技术将呈现级数式的增长，就像人类中的“老司机”一样令人放心，更令人兴奋的是，每一辆刚上路的“新手”都是一位有着百万公里驾驶经验的“老司机”，这一学习、分享、复制的方式，将大幅度提升无人驾驶技术的进步，同时提高无人驾驶汽车的安全性。 图 21：深度学习算法通过多层迭代通过特征抽象进行模式识别的学习 智能控制技术就好比智能汽车的运动中枢神经，是自动驾驶技术发展的核心之一。依据智能识别及决策系统传达的行车命令，智能控制系统执行自动驾驶。智能控制技术的实现主要依靠汽车电控组件，包括电子稳定控制系统 ESP、辅助驾驶系统 ADAS 等，其基础技术已较为成熟，国内外已有非常好的诸如英飞凌等供应商，能协助车厂实现相关功能。全球领先半导体供 应商英飞凌聚焦驾驶智能化。英飞凌 AURIX 微控制器具有优良的实时处理性能、嵌入式安全功能和最高灵活性，是整个车内网络架构的信任锚，能够支持自动驾驶汽车内的不同高级驾驶辅助系统。基于该产品，英飞凌与伊莱比特、NVIDIA 合作研发同类中首款自动驾驶平台。同 时，英飞凌基于其 3D 图像传感器芯片与科世达合作推出了摄像头驾驶员辅助系统，是实现汽车自动驾驶的重要里程碑。公司生产的 SPT9 是用于汽车电子的高度集成系统解决方案，应用领域广泛，比如汽车电动机的智能控制、电动车窗升降器、雨刷、天窗、电动座椅和风机/鼓风机控制、油泵和水泵、安全气囊、音响功放等。 芯片巨人 NVIDIA 推出了新一代针对自动驾驶开发的深度学习的车载超级电脑——DRIVE PX 2；Drive PX2 可以用作自动驾驶汽车的超级大脑，以深度学习算法来加强车辆的感知能力，识别出车辆行驶环境周围的其他所有物体，包括行人、车辆、路标、车道线、建筑设施等等，对车辆各类传感器收集到的数据进行处理与分析，进而进行判断，再做出决策。总有 12 个 CPU， 每秒能够进行 24 万亿次深度学习的运算。为了适应车上的工作环境，配有水冷装置，最高工作温度可达到 80℃。Drive PX2 能够最多对接车辆上 12 个视频摄像头，外加激光雷达传感器、 雷达传感器以及超声波传感器。 图 22：英伟达的云端-车端深度学习平台构想 图 23 ：PX 2 与可乐瓶大小相仿，计算能力相当 150 台 MacBook pro 当前，智能控制技术难点在于：如何与决策系统更好地连接从而提高控制的精确度。在大数据和云计算时代，智能控制技术需依托深度学习，才能实现自动驾驶所要求的安全性和精确度。深度学习是人工智能的一门学科，是通过计算机算法在机器上模拟神经网络，让机器具备学习的能力。百度 IDL 不但是百度的第一个基础技术研发部门，事实上，也是中国第一家从事深度学习的研发机构。百度欲凭借自家强大的地理信息服务、云计算能力和人工智能服务，旨在为汽车打造“百度大脑”。但要实现汽车的自动驾驶，就得让车辆安全高效且舒适精确地控制自己；而整车厂在车辆控制上具有得天独厚的优势。因此，百度要和宝马进行合作。宝马向 百度开放车辆的底层控制接口，并传授相应的车辆控制指令。 图 24：百度无人驾驶车的控制单元 >>>>（三）高精地图：夜空中最亮的星 作为自动驾驶发展成熟的重要支撑，高精度、全信息地图是不可或缺的。进行超出传感器感知范围及能力的驾驶行为时，则必须依靠高精度地图。目前地图提供信息的精细程度是无法满足自动驾驶在准确性和安全性方面的要求。当前普通地图导航能实现的精确度以 m 为计量，而自动驾驶 所要求的高精地图需达到 cm 级的精确度（10-20cm）。且高精地图在道路数据采集的量级上也更大。 自动驾驶用地图不仅要实现较高的精度，还要包含全面的交通指示和限制的信息，如：车道限制的 精确高度、车道线的位置、下水道口、障碍物以及在日常道路上能看到的每一个细节。 诺基亚 HERE 地图是全球范围内领先的高精地图服务提供商。在过去的 15 个月中，HERE 已在 6 大洲，30 个国家利用 400 辆测绘车完成约 2 百万公里（120 万英里）的高精度道路数据绘制，且数据库仍在持续扩充。为了实现 10-20 厘米的地图精度，HERE 地图应用 LiDAR 技术获取数十亿的三维点云数据以建立路面模型，既包括车道数量和宽度等基本信息，也涵盖道路坡度和斜率，车道 标记，以及路标等细节。目前，HERE 地图已为美国的硅谷地区和密歇根州，以及法国和德国的部 分地区的特定公路提供高精度地图数据。
图 25：Here 高精度地图示例 各方力量积极布局高精度地图，爆发前夜跑马圈地。目前高精度地图的技术路线大约有两大技术路线：一是，谷歌和德系三强收购 Here 的激光雷达移动测量车的路线，他们使用激光雷达和摄像头获取点云数据，进而建模分类得到高精度地图。另一技术路线是，通用、大众联手 Mobileye 布局众包地图，还有丰田推出的高精度地图采集系统，主要通过车辆的摄像头 GPS、丰田自主开发的软件以及云端。目前，大多数高精度地图需要使用激光雷达。激光雷达虽然精度很高，但非常贵， 只有在收集到数据后对其进行标记才能使用。由于高精度地图测绘成本很高，所以高精地图不能频繁更新数据，其实用性下降。如果每辆车都能收集数据，即使精度不如 LIDAR，那么也能够降低成本，增加数据量。目前高精地图测绘依靠 LIDAR 的测绘车，如果普通的车会通过摄像头，捕捉限速标志、车道线等道路信息。所有收集到的数据，都会通过丰田「自动云端空间信息生成技术」来处理。通过处理所有车辆上传的地图数据，就能够得到整体上精度较高的地图。
图 26：here 的激光雷达采集车
图 27：通过众包云平台的方式制作高精度地图 TomTom 与德国汽车供应商博世集团合作发力，共同研发适用于高度自动化驾驶的高精度地图。合作协议显示：TomTom 将负责地图设计，博世则基于其在系统工程方面的技术经验，制定地图设计及绘制的规范要求，提高精确度，并且使其能无缝处理汽车传感器采集的数据。
图 28：实时地图更新流程 国内的上市公司四维图新、高德导航正大力研发高精度地图，且有前装导航地图 65%-70%的市场份额优势。中海达拥有移动激光测量技术，是高精度地图的基础。四维图新是中国领先的数字地图内容、动态交通信息服务及基于位置的大数据垂直应用服务提供商，与宝马、大众、奔驰、通用、沃尔沃、福特、上汽、丰田、日产、现代、标致等主流车厂建立合作，领航中国前装车载导航市场 13 年。目前，公司借助自主研发的专属于 HAD 地图二、三维编辑平台，提供绝对精度达到 20 厘米的高精度地图。
图 29：中海达搭载移动激光扫描的测量车 下期，将带来该报告第三部分： 无人驾驶技术将是人类社会一次重大的变革
▼ 扫描下方二维码，查看更多内容&报告资料。 如需下载，请联系我们！ 自动驾驶是“26维自媒体联盟”的成员，长期为读者提供自动驾驶、车联网、无人车等领域的发展趋势、业内分析、行业动态、调查报告 自动驾驶 |
|
|
来自： 爱因思念l5j0t8 > 《智能交通》
